Summary
Vi præsenterer en protokol til optælling af hård hvede og Byg ører, ved hjælp af naturlige farve (RGB) digitale fotografier taget i naturligt sollys under markforhold. Med minimale tilpasninger for kameraet parametre og nogle miljømæssige tilstand begrænsninger giver teknikken præcise og konsistente resultater på tværs af en vifte af fase af deres vækst.
Abstract
Øre tæthed, eller antallet ører pr. kvadratmeter (ører/m2), er et centralt fokus i mange kornafgrøder avl programmer som hvede og byg, der repræsenterer en vigtig agronomiske udbytte komponent til estimering korn udbytte. Derfor en hurtig, effektiv og standardiseret teknik til vurdering af øre tæthed ville støtte i at forbedre landbrugsforvaltning, giver forbedringer i preharvest udbytte forudsigelser, eller kan endda bruges som et redskab for afgrøde avl når det er blevet defineret som et træk af betydning. Ikke kun er de nuværende teknikker til manuel øre tæthed vurderinger besværlige og tidskrævende, men de er også uden nogen officiel standardiseret protokol, enten ved lineær meter, område kvadrant, eller en ekstrapolation baseret på plante øre tæthed og plante tæller efterhøst. En automatisk øre tælle algoritme er præsenteret i detaljer for estimering øre tæthed med kun sollys belysning i marken baseret på zenithal (nadir) naturlige farve (rød, grøn og blå [RGB]) digitale billeder, giver mulighed for høj overførselshastighed standardiserede målinger. Forskellige markforsøg af hård hvede og Byg fordelt geografisk i hele Spanien i løbet af 2014/2015 og 2015/2016 afgrøde sæsoner i vandede og rainfed forsøg blev brugt til at give repræsentative resultater. 3-faset protokol omfatter afgrøde vækststadium og feltet betingelse planlægning, image capture retningslinjer og en computer algoritme af tre trin: (i) en Laplacian frekvens filter til at fjerne lav - og højfrekvens artefakter, (ii) en median filter til at reducere højt støj, og (iii) segmenteringen og optælling ved hjælp af lokale maxima toppe for den endelige optælling. Mindre justeringer af algoritme koden skal gøres svarende til kamera opløsning, brændvidde og afstanden mellem kameraet og afgrøde baldakin. Resultaterne viser en høj succesrate (højere end 90%) og R2 værdier (af 0,62-0,75) mellem algoritme tæller og manuel image-baserede øret tæller for både hvede og byg.
Introduction
Verden korn udnyttelse i 2017/2018 er rapporteret udvide med 1% fra det foregående år1. Baseret på de seneste forudsigelser for korn produktion og befolkningen udnyttelse, verden korn bestande skal øge udbyttet i et hurtigere tempo for at imødekomme stigende krav, mens også tilpasning til at øge virkningerne af klima forandring2. Derfor er der et stærkt fokus på udbytte forbedring i kornafgrøderne gennem forbedret afgrøde avl teknikker. To vigtigste og høstede korn i Middelhavsområdet er valgt som eksempler for denne undersøgelse, nemlig, hård hvede (Triticum aestivum L. ssp. hård [Desf.]) og byg (Hordeum vulgare L.). Durumhvede i forlængelse heraf er den mest dyrkede korn i de sydlige og østlige margenerne i Middelhavsområdet og er den vigtigste 10 beskære på verdensplan, på grund af sin aarlige produktion af 37 millioner tons årligt3, mens Byg er det fjerde globale korn med hensyn til produktion, med en global produktion på 144.6 millioner tons årligt4.
Remote sensing og proksimale billede analyseteknikker er stadig vigtige redskaber i udviklingen af feltet høj overførselshastighed plante fænotyper (HTPP) som de stiller ikke kun mere adrætte, men også, ofte, mere præcise og konsekvente søgninger Target beskære biophysiological træk, såsom vurderinger af fotosyntetiske aktivitet og biomasse, preharvest udbytte estimater og endda forbedringer i træk arveligheden, såsom effektivitet i ressource brug og udbredelse5,,6,7 ,8,9. Remote sensing har traditionelt fokuseret på multispektrale, hyperspectral og termisk imaging sensorer fra aerial platforme for precision landbrug på Feltskalaen eller plante fænotyper undersøgelser på microplot skala10. Fælles, kommercielt tilgængelige digitale kameraer, der måler kun synlige reflekterede lys var ofte overset, trods deres meget høje rumlige opløsning, men er for nylig blevet populært som nye innovative billedbehandling algoritmer i stigende grad kan at drage fordel af den detaljerede farve og geografisk information, som de giver. Mange af de nyeste innovationer i avancerede landbrugs billede analyser i stigende grad om fortolkningen af data leveret af meget høj opløsning (VHR) RGB-billeder (for deres måling af rød, grøn og blå synligt lys reflektans), herunder afgrøde overvågning (vigor, Fænologi, sygdom vurdering og identifikation), segmentering og kvantificering (fremkomsten, øre tæthed, blomst og frugt tæller) og endda fuld 3D rekonstruktioner baseret på en ny struktur fra motion arbejdsprocesser11.
En af de mest væsentlige punkter til forbedring af korn produktivitet er en mere effektiv vurdering af udbytte, der bestemmes af tre hovedkomponenter: øre densitet eller antallet ører pr. kvadratmeter (ører/m2), antallet kerner pr. øre, og tusind-kerne-vægt. Øre tæthed kan opnås manuelt i feltet, men denne metode er besværlig og tidskrævende, og mangler i en enkelt standardiseret protokol, der sammen kan resultere i en betydelig kilde til fejl. Indarbejde automatisk optælling af ører er en udfordrende opgave på grund af komplekse afgrøde struktur, tæt plante afstand, høj grad af overlapning, baggrundselementer og tilstedeværelsen af stakke. Seneste arbejde har avancerede i denne retning ved hjælp af en sort baggrund struktur understøttes af et stativ for at erhverve egnede afgrøde billeder, viser forholdsvis gode resultater i øret tælle12. På denne måde, overdreven sollys og skyggeeffekter blev undgået, men sådan struktur ville være besværligt og en stor begrænsning i en ansøgning til feltbetingelser. Et andet eksempel er en automatisk øre tælle algoritme udviklet ved hjælp af en fuldt automatiseret fænotyper system med en stiv motoriseret gantry, som blev brugt med god nøjagtighed for at tælle øre tæthed i et panel bestående af fem stakløse brød hvede (Triticum aestivum L.) sorter vokser under forskellige kvælstof forhold13. De seneste arbejde af Fernandez-Gallego14 har optimeret denne proces for hurtigere og lettere datafangst ved hjælp af VHR RGB Farvebilleder efterfulgt af mere avancerede, men stadig fuldt automatiseret, billede analyser. Den effektive og høj kvalitet dataindsamling i marken understreger en forenklet standardiseret protokol for ensartethed og høj data capture overførselshastighed, mens billedbehandling algoritme beskæftiger romanen brug af Laplacian og frekvens domæne filtre til at fjerne uønskede billede komponenter før du anvender en segmentering til optælling baseret på at finde lokale maxima (i modsætning til fuld afgrænsning som i andre tidligere undersøgelser, som kan resultere i flere fejl med overlappende ører).
Dette arbejde foreslår et simpelt system for automatisk kvantificering af øre tæthed i marken, ved hjælp af billeder erhvervet fra kommercielt tilgængelige digitale kameraer. Dette system tager fordel af naturligt lys i feltet betingelser og derfor kræver overvejelse af nogle relaterede miljømæssige faktorer, som tid af dagen og cloud dækning, men er stadig i kraft, enkle at gennemføre. Systemet har været vist på eksempler for hård hvede og byg, men bør forlænges i henhold til brød hvede, der ud over udstiller ører med lignende morfologi, er ofte stakløse, men yderligere eksperimenter vil være påkrævet for at bekræfte dette. I data capture protokol præsenteres her, zenithal billeder er taget ved blot at holde kameraet i hånden eller ved hjælp af en monopod for positionering digitalkamera over afgrøden. Valideringsdata kan erhverves ved at tælle ører for subplots i feltet eller under efterbehandling, manuelt ved at tælle ører i selve billedet. Billedbehandling algoritme er sammensat af tre processer, der først, effektivt at fjerner uønskede dele af billedet på en måde, der derefter giver mulighed for efterfølgende segmenteringen og optælling af individuelle hvede ørerne i de erhvervede billeder. Først, en Laplacian frekvens filter bruges for at registrere ændringer i de forskellige rumlige retninger af billedet med standardindstillingerne ImageJ filter uden vindue kerne størrelse justeringer (Find Maxima segmentering teknik bestemmer den lokale toppe efter median rumlige filter trin, på hvilket tidspunkt pixelene beslægtede med ører har højere pixelværdier end jord eller blade. Derfor finde Maxima bruges til at opdele den høje værdier i billedet, og regionerne, der er mærket som ører, som identificerer ører samtidig reducere overlappende øre fejl. Analysere partikler bruges derefter på binær billederne til at tælle og/eller måle parametre fra regionerne lavet af kontrasten mellem de hvide og sorte overflade lavet af trinnet finde Maxima. Resultatet er derefter behandlet for at oprette en binær billedsegmentering ved at analysere den nærmeste nabo pixel varians omkring hvert lokale maksimalt at identificere hvede øre former i filtrerede billede. Endelig er øre tæthed optalt ved hjælp af analysere partikler, som gennemføres i Fiji15. Både finde Maxima og analysere partikler er standalone funktioner og tilgængelig som plugins i Fiji (https://imagej.nih.gov/ij/plugins/index.html). Selvom ikke præsenteret specifikt i protokol her, tyder foreløbige resultater præsenteret som supplerende materiale på, at denne teknik kan tilpasses gennemfører øre antal undersøgelser fra ubemandede (UAVs), forudsat at beslutningen forbliver tilstrækkeligt høje14.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. prefield afgrøde vækststadium og miljøforhold
- Sørg for, at afgrøden vækst fase er ca mellem korn påfyldning og nær afgrøde modenhed, med ørerne, som er stadig grønne selv om bladene er senescent (hvilket svarer for hvede til forskellige 60-87 Zadoks' skala16). Nogle gulfarvning af bladene er acceptabel, men ikke nødvendigt.
- Udarbejde en prøveudtagningsplan for billedoptagelse med forskellige flergangsbestemmelser (billeder pr. plot) for at fange afbildningsområdet/variabilitet; billedbehandling algoritme vil tælle antallet af ører i billedet og konvertere, at ører pr. kvadratmeter (ører/m2) baseret på kamera specifikationer.
- Planlægge felt udflugter for at fange billederne inden for to timers sol middag eller alternativt på en gråvejrsdag i diffus lysforhold for at undgå de negative virkninger af øre shadowing på øret tælle algoritme.
- En gang i feltet Kontroller toppen af afgrøde baldakinen for at sikre, at det er tørt for at undgå spektakulære lys refleksion fra fugt.
Bemærk: I betragtning af målene i denne protokol, det er vigtigt at først overveje om vækststadium af afgrøden er egnet til at anvende øre tæller. Fanger billeder uden for den anbefalede vækst fase vil enten resultere i suboptimal eller meningsløse resultater (hvis ører ikke er til stede eller fuldt opstod). Billedkvaliteten har også en betydelig indflydelse på behandlingen af resultater, herunder opløsning og sensor størrelse og nogle miljøforhold, såsom tid af dagen og Sky dækker, skal overvejes nøje, før du fortsætter med billedoptagelse.
2. billedoptagelse i marken med naturligt lys
- Udarbejde en "phenopole", som vist i figur 1 eller en lignende erhvervelse system (selv håndholdte) hen til fange billeder hurtigt og endnu i en standardiseret og ensartet måde på hvert plot eller målretter mod placering.
Figur 1 : Øre tælle system. Øre optælling system ved hjælp af "phenopole" vises i feltet til venstre, med en fjernstyret naturlige farve (RGB) store sensor og høj opløsning digitale kamerasystem med kameraet tilt og højde, der angiver de nødvendige parametre for at justere den billedbehandling algoritme. Sensor og billed opløsningen registreres automatisk af billedegenskaberne, mens brugeren skal indtaste detaljerne for objektivets brændvidde og afstand fra trækronerne. Disse er noedvendige for at tilpasse algoritmen for det anslåede antal pixel pr. øre og også omdannelsen af optællingen image-baserede samlede øre til øre tæthed (ører/m2). Derfor anbefales det at bruge det samme kamera og linse brændvidde for alle felt billeder. Venligst klik her for at se en større version af dette tal.
- Anbring kameraet på et egnet stativ eller "selfie" pole således at det kan opretholdes niveau, enten bruger niveau bobler eller en i kamera stabilisering system, for at få zenithal billeder.
- Bruge en mobiltelefon, tablet eller en anden enhed til at tilslutte kameraet til begge fjernbetjening billed fange og billed visualisering for de bedste resultater med korrekt fokuserede billeder. Programmet kameraet til autofokus for at mindske eventuelle fejl, hvis brugeren ikke er fortrolig nok med deres kamera eller fotografering teknikker til at angive en korrekt manuel fokus, som det fremgår af eksemplerne på zenithal billeder med korrekt fokus og eksponering i Figur 2.
Figur 2 : Zenithal Beskær billederne. Hård hvede og Byg øre zenithal billeder for øre tælle datasæt eksempler med en acceptabel fase af vækst og gulne fra ca 61 til 87 efter Zadoks' skala. (Venstre) Hård hvede zenithal billeddata forbillede. (Højre) Byg zenithal billeddata forbillede. Venligst klik her for at se en større version af dette tal.
- Læg mærke til billede nummer før billedoptagelse for at matche billeder korrekt med feltet parceller. Optage ét billede af området generelle felt på start og et billede af jorden/felt mellem blokke for postprocessing kontrol.
- Stilling kameraet på ca 80 cm over toppen af afgrøde baldakin, ved hjælp af en lineal eller måling streng periodisk kontrollere kameraet højde over baldakinen. Sikre, at kameraet er niveau og fange billedet. Denne teknik kan kræve 1-2 Kommmisionen.
- Hvis ekstra felt øre tæller validering ønskes bortset fra en manuel billede tæller validering, installere en udvidelse arm til ramme (f.eks. en lille cirkel) og Placer det i midten af billedet for at foretage manuel feltet tæller som et præcis billede delmængde; denne teknik kan kræve 2-3 personer til at gennemføre.
Bemærk: Tre store overvejelser i udvælgelsen af et kamera, derfor omfatter: (1) kamera specifikationer; i dette tilfælde, sensorens fysiske størrelse; (2) brændvidde på billede linse; (3) afstand mellem baldakin og kameraet: mindre afstande eller større zoomobjektiver vil fange et mindre område, mens billeder taget fra en større afstand vil fange en større beskæringsområdet. Se figur 1 for detaljer om de relevante kamera specifikationer.
3. algoritmeimplementering og justeringer
Bemærk: Her præsenterer vi algoritmeimplementering og tilpasninger til forskellige kamera specifikationer (sensor størrelse, megapixel, brændvidde, afstand til afgrøde) og afgrøde (hård hvede eller Byg) for automatisk øre optælling. Overblik over algoritmen præsenteres grafisk i fig. 3.
Figur 3 : Billedbehandling rørledningen til to rækker Byg øre optælling. Billedbehandling rørledningen til to rækker Byg øre optælling som gennemført ved hjælp af særlige computer-kode eller CerealScanner software, der opererer inden for Fiji (ImageJ). Panel 1 viser det oprindelige billede. Panel 2 viser resultaterne af anvendelserne af Laplacian filter. Panel 3 viser anvendelsen af median filter, og panelet 4 viser resultaterne af den endelige finde Maxima og segmentering for at producere den endelige øre tælle. Derefter er beregningerne lavet til at konvertere billedet Greven til øre tæthed, som vist i figur 1. Disse billeder er eksempler taget fra webstedet Arazuri felt (nordøstlige Spanien, 42 ° 48' 33,9" N 1 ° 43' 37,9" W) i diffuse lysforhold. Venligst klik her for at se en større version af dette tal.
- Hent og Installer Fiji, Java 8, og koden forarbejdning eller Barcelona Universitet proprietære CerealScanner plugin (https://fiji.sc/, https://www.java.com/en/download/, og https://integrativecropecophysiology.com/software-development/cerealscanner/ [information] eller https://gitlab/sckefauver/CerealScanner [kode repository]); Kontakt de tilsvarende forfattere for adgangstilladelser. Plugin er installeret inden for Fiji ved blot at kopiere det ind i plugins mappen.
- Åbn plugin fra den øverste menu gennem Plugins > CerealScanner > Åbn korn Scanner.
Bemærk: Ud over det arbejde, der er fremlagt her, CerealScanner plugin indeholder flere forskellige RGB-baserede vegetation indekser relateret til afgrøde vigor, stress eller klorofyl17,18. En bestemt CerealScanner del omfatter specifikke algoritmer for Tidlige Vigor (Fernandez-Gallego, i review), Øret tælle14og Afgrøde gulne19, som vist i figur 4. - Angiv justeringer af kamera specifikationer og billed fange detaljer, hvis de er forskellige fra de standardværdier (Se figur 1 og figur 4 for detaljer).
- Indstil parameteren algoritme for kamera brændvidde.
- Indstil parameteren algoritme for afstand fra den afgrøde baldakin.
Figur 4 : The CerealScanner 2.12 Beta central fane på begge niveauer, mærkning den øre optælling funktion i samlingen CerealScanner algoritme. Brugeren skal vælge den... knap til højre for Batch input til at vælge den mappe hvor billedfiler gemmes, ændre standardværdierne for H Distance (afstand fra kameraet til toppen af afgrøde baldakin) og brændvidde, hvis forskellig fra defaul t-værdier, og vælg derefter den... knap til højre af Resultatfil for at vælge navnet på og placeringen af filen endelige resultater. De andre faner i CerealScanner give algoritmer for træk-baseret fænotyper for Tidlige Vigor og udbrud af modenhed som en del af den CerealScanner kode suite. Under fanen biomasse er der flere algoritmer til skøn af mere generelle afgrøde vigor og biomasse beregninger, også for RGB-digitale billeder. Eksemplet henviser til to rækker Byg, som det er blevet påvist udførligt i figur 3. Venligst klik her for at se en større version af dette tal.
Figur 5 : Algoritme justeringer. Justeringer kræves i billedbehandling-pipeline for at med held tæller både hvede og Byg ører ved hjælp af den samme algoritme styres automatisk som en del af kamera-specifikke justeringer af H afstand (afstanden mellem kameraet og afgrøden baldakin) og brændvidde og tjene til at sikre, at antallet af pixel pr. øre forbliver mere eller mindre konstant mellem forskellige applikationer. Venligst klik her for at se en større version af dette tal.
- Vælg fanen center CerealScanner og efterfølgende central fanen Øre tælle for at beregne antallet af ører i hvert billede i et felt datasæt.
- Under Indstillinger, Angiv, i Batch indgange, placeringen af billeder til at analysere.
- Vælg hvor du vil gemme filen resultater i Resultater filer. Filen resultater vil omfatte to kolonner med navnet image og øret tælle resultater.
- Endelig skal du klikke på procesog resultatfil med øre tæthed i kvadratmeter (ører/m2), ved hjælp af en simple forhold ved hjælp af kameraets indstillinger og afstanden mellem baldakin og kamera til at konvertere billedområdet til en faktiske baldakin område i square meter efter figur 1, vil automatisk blive produceret i et par minutter, afhængigt af computerens hastighed.
- Gennemføre en efterbehandling validering efter indsamling af data ved manuelt tælle antallet af hvede eller Byg ører i billedet og derefter konvertere det til antallet ører pr. kvadratmeter (ører/m2), som er vist i figur 1, at sammenligne den resultater med dem baseret på de algoritme værdier.
- Brug den simple punkt placeringsværktøjet bygget i Fiji, som giver let støtte til denne proces, og funktionen Fiji Analysere partikler for at producere tæller automatisk; Dette er vist grafisk i figur 6.
- Du kan eventuelt foretage en validering ved hjælp af en lille område cirkel under feltet dataopsamling som beskrevet i trin 2.6; Manuel tæller i feltet og manuel billede tæller i laboratoriet derefter, kan bruges til algoritme validering som vist i figur 7.
Figur 6 : Algoritme validering ved hjælp af manuel i billedet øre tæller. Manuel i billedet øre tæller for (venstre) durumhvede og (til højre) Byg. De små prikker blev oprettet ved hjælp af Fiji Punkt værktøj og derefter tælles ved hjælp af Analysere partikler funktion med en 0.90 1.00 cirkularitet begrænsning efter anvender en Farve tærskel fra Farvetone mætning Intensitet kolorere plads for den farve, der er angivet i Punkt værktøj. Denne metode sikrer mere præcise image-baserede manuel øre tæller. Venligst klik her for at se en større version af dette tal.
Figur 7 : Algoritme validering ved hjælp af manuel tæller i feltet og manuel i billedet øre tællinger af hvede og byg, ved hjælp af en cirkel. (Venstre) Hvede billede tæller validering eksempel ved hjælp af en cirkel. (Højre) Byg billede tæller validering eksempel ved hjælp af en cirkel. Delmængde greverne af ører i den hvide cirkel blev talt ved hjælp af samme teknik som beskrevet i figur 6 med Værktøj, Farve tærskelog derefter Analysere partikler funktion med cirkularitet begrænsninger og farvevalg ved hjælp af Hue. Venligst klik her for at se en større version af dette tal.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
I figur 8, resultaterne viser beslutsomhed koefficienten mellem øre tæthed (antal ører pr. kvadratmeter) ved hjælp af manuel optælling og øret tælle algoritme for hvede og byg på tre forskellige afgrøde vækst stadier. Den første er hård hvede med et Zadoks' skala mellem 61 og 65 (R2 = 0,62). Den anden er to rækker Byg med en Zadoks skala mellem 71 og 77 (R2 = 0,75), og den sidste er hård hvede med et Zadoks' skala mellem 81 og 87 (R2 = 0,75).
Figur 8 : Determinationskoefficienten mellem øre tæthed (antal ører/m2) ved hjælp af manuel image-baserede optælling og billede algoritme til øre optælling af hård hvede og to rækker Byg på forskellige acceptable afgrøde vækst stadier (på Zadoks' skalere 61-87). Begge akser viser beregninger, herunder konverteringer øre tæthed i stedet for image-baserede resultater kun. De repræsentative resultater præsenteres her for to forskellige afgrøder over tre forskellige vækststadierne samt under forskellige lysforhold, nemlig direkte sollys billeder af hård hvede i Zadoks' skala 61-65 på toppen (R2 = 0,62, n = 72), diffuse lys billeder af byg på Zadoks' skala 71-77 i midten (R2 = 0,75, n = 30), og diffuse lysforhold for hård hvede på Zadoks' skala 81-87 i bunden (R2 = 0,75, Nielsen = 24). Et eksempel billede af hver er også vist som en indsat i nederste højre hjørne af hver graf. Venligst klik her for at se en større version af dette tal.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Øget smidighed, ensartethed og præcision er nøglen til at udvikle nyttige nye fænotyper værktøjer for at bistå Fællesskabets afgrøde-avl i deres bestræbelser på at øge korn udbytte trods negative pres relateret til globale klimaændringer. Effektiv og præcis vurdering af korn øre tæthed, vil som en større agronomiske komponent af udbyttet af vigtige korte afgrøder, hjælpe give de værktøjer nødvendige for fodring fremtidige generationer. Med fokus på forbedring og støtte af afgrøde-avl indsats i marken hjælper med at holde denne forskning og de teknikker præsenteret her mere tæt knyttet til virkelige verden klima ændre scenarier og avl Faellesskabets behov men også præsenterer tekniske vanskeligheder. Som sådan, er det vigtigt at være nøje overholdelse, ikke kun til datafangst og billedbehandling i denne protokol, men også til anbefalingerne for optimal miljøforhold og afgrøde vækststadierne for dens vellykkede gennemførelse11. Som en større agronomiske komponent af udbytte, øre tæthed er betragtes som en af de vigtigste mål træk i at presse på for øget korn afgrøde udbytte (se artiklen af Slafer et al.20 og referencer heri). Fokus i denne protokol mod et optimalt cost-effektive, adræt og ligetil felt fænotyper teknik mener, at disse aspekter ved protokollen er nøglen til dens vedtagelse og gennemførelse af avl samfundet som helhed. Derimod relaterede tidligere studier med lignende sigter mod at vurdere øre tæthed eller andre udbytte komponent kvantificering har brugt mere involveret datafangst og miljøkontrol strukturer, som omslutter strukturer og fast kamera understøtter eller endda kunstige lys indgange, der effektivt hindrer praktiske anvendelse under markforhold og gennemførelse i faktiske avl programmer12,20,22.
Dermed, vi har præsenteret her en detaljeret protokol, der er resultatet af test forskellige forskellige teknikker i en iterativ optimeringsprocessen, resulterer i en enkel, men effektiv billede data capture metode kræver kun et kommercielt tilgængelige, moderat høj opløsning RGB digital kamera og en rudimentær "phenopole" til at holde kameraet over afgrøden baldakin. Andre billed-filtrering forsøg baseret på RGB-farve eller alternative farverum, såsom nuance-mætning-lysstyrke eller CIELAB, var ikke så effektiv eller konsekvent som brugen af Laplacian og median frekvens domæne filtre til at fjerne uønskede billedelementer, især stakke. Vi har designet image capture pipeline system med forskellige elementer, hvoraf nogle kan justeres nemt med mindre ændringer i billedbehandling algoritmeimplementering. I casestudierne præsenteres her, har vi brugt to forskellige kompakte kameraer med relativt store sensorer og 20,1 megapixel (MP) og 16,0 MP beslutninger til at indfange billeder med vidvinkel objektiver på 16-20 mm fra en afstand af 80 cm fra afgrøde baldakin. Dette har vist sig mere end tilstrækkelig til at medføre detaljeret canopy Byg og hvede oplysninger, med simulationer viser, at teknikken fastholder høje niveauer af præcision ned til ca 8 MP14 (med lignende objektiver og afstande fra de baldakin).
Selvom konsistens og præcision af de præsenterede billedbehandling teknikker afhænge af miljøforhold og fænologiske fase samtidig med billedoptagelse, viser algoritmerne, der løfte i giver en robust ydeevne i deres ansøgning til forskellige små-korn, herunder hård og brød hvede og to rækker og seks-rækket Byg sorter. Mens denne algoritme har endnu at blive fuldt ud testet, ville billedoptagelse det samme, med måske nogle mindre justeringer med hensyn til den relative størrelse og placering af øret i billeder for at sikre optimal øre tælle resultater. I præsenteret protokollen, image-baserede øre tæthed anslår opnås maksimal nøjagtighed og korreleret bedste med manuel billede tæller og korn udbytte i forhold til billeder taget på senere vækststadierne, når afgrøden gulne resulterede i et tab af farve og belysning kontrast mellem resten af afgrøde baldakin og ørerne. Dette kan være et resultat af højere temperaturer eller lavere vandtilgængelighed på de senere dele af korn påfyldning, som er især udbredt i typisk Middelhavs betingelser, der kan forårsage blade og culm til senesce før ørerne gør23; Denne kontrast er afgørende for effektiviteten af adskillelsen mellem ørerne, blade og jord. I alt for modne eller senescent baldakiner med ørerne allerede gul er kontrasten mellem de forskellige billedelementer ikke tilstrækkelig til øre optælling. Som sådan, i andre klimaer, kan den optimale timing være lidt anderledes, hvis der er nogen vand stress under gulne debut.
Selv om dataindsamling i marken kræver meget opmærksom på miljømæssige vilkår, som sollys intensitet og sollys belysning vinkler, giver robust billede analyse algoritme præsenteres her et vist spillerum i billedoptagelse vindue ved hjælp af rumlige teknikker, at ignorere billede albedo effekter, at den korrekte billedbelysning blev brugt til de særlige lysforhold for øjeblikket af billedoptagelse; automatiske indstillinger har fungeret godt i henseende. I tidligere arbejde, blev et fyldigere udvalg af lyseffekter testet, angiver, at den eneste større kilde til fejl med hensyn til lyseffekter er produktion af stærke skygger i billedet, når du optager billeder i direkte sollys enten tidligt eller sent på dagen , på grund af vinklen af solen14. De første to image filter programmer bidrage til at minimere eventuelle synlige virkninger fra overskydende belysning (selv om ikke via kamera overeksponering) samtidig reducere enhver baggrund komponenter i billedet; på samme tid, disse filtre også bidrage til udjævning og støj reduktion, begge som aide i den efterfølgende finde Maxima behandle23,24. Derfor, mens den naturlige belysning faktorer skal der tages hensyn til, såsom vinklen af solen når billederne er taget i direkte i stedet for i diffus lysforhold, dette er primært for at reducere fejl relateret til skygge artefakter.
Derudover korrelationer mellem algoritme øre tæller fra præsenteres protokol og korn udbyttet blev større og større end manuel (felt-baseret) øre tællinger af samme eksperimentere11, som støtter påstanden om, at denne protokol er ikke kun mere præcis men også mere ensartet som en standardiseret protokol for vurdering af øre tæthed. Mens ikke præsenteret her specifikt, lignende data opsamling og behandling teknikker synes at være muligt ved hjælp af mobiltelefon, antenne eller andre automatiserede platforme som de udfører helt godt under simuleret reduceret billede resolutioner. Yderligere tests for gråtoner reduktion (for hurtigere billedbehandling) og reduceret opløsning billede simuleringer (fra anvendelse af andre kameraer eller UAV'er) blev gennemført ved at anvende billedet konverteringer før den første filter14 og foreslog at under optimale forhold, sagsbehandlingstider kan reduceres på disse måder uden tab af nøjagtighed. Med hensyn til mulige fremtidige retninger drage billedbehandling algoritmer præsenteres her kun fordel af VHR RGB farvedata som det er fanget af kameraet (svarende til det menneskelige øje), men andre potentielle forbedringer kan skyldes konverteringen til hybrid farve rum, såsom nuance-mætning-lysstyrke eller gennem data fusion i kombination med andre mere avancerede videnskabelige sensorer, såsom multispektrale eller termisk, som både er blevet mere overkommelig for nylig og tilbyder potentialet for forbedring i øret tæthed skøn, selv om måske på forskellige vækststadierne eller i forskellige feltbetingelser.
I sammendrag omfatter de afgørende skridt til gennemførelse af denne protokol først og fremmest ordentlig planlægning af tid af året og miljømæssige betingelser for afgrøden, som er optimal, når afgrøden er i vækststadierne 60-87 Zadoks' skala og enten på Sol middag eller i diffuse lysforhold. Derudover skal erhvervelse af digitale billeder udføres på en kontrolleret måde regnskab for kameravinkel, afstand fra baldakinen, og kameraet fokus for hvert billede. Endelig, optimeret computer-behandlingsindstillinger er præsenteret i detaljer for reproducering behandling kode pipeline, eller kontakte forfatterne for enten den oprindelige kode eller koden integreret som en grafisk brugergrænseflade (GUI) i en plug-in til Fiji, nemlig, at CerealScanner.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Forfatterne har ikke noget at oplyse.
Acknowledgments
Forfatterne af denne forskning vil gerne takke det felt ledende personale på de eksperimentelle stationer i Colmenar de Oreja (Aranjuez) af Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA) og Zamadueñas (Valladolid) af den Instituto de Tecnología Agraria de Castilla y León (ITACyL) for deres felt støtte af forskning undersøgelse afgrøder anvendes. Denne undersøgelse blev støttet af forskningsprojektet AGL2016-76527-Rasmussen fra MINECO, Spanien og en del af et projektsamarbejde med Syngenta, Spanien. BPIN 2013000100103-stipendium fra "Formación de Talento system de Alto Nivel, Gobernación del Tolima - Universidad del Tolima, Colombia" var den eneste midler støtte til den første forfatter Jose Armando Fernandez-Gallego. Den primære finansieringskilde af den tilsvarende forfatteren, Shawn C. Kefauver, kom fra ICREA Academia program gennem tilskud tildeles Prof. Jose Luis Araus.
Materials
| Name | Company | Catalog Number | Comments |
| ILCE-QX1 Camera | Sony | WW024382 | Compact large sensor digital camera with 23.2 x 15.4 mm sensor size. |
| E-M10 Camera | Olympus | E-M10 | Compact large sensor digital camera with 17.3 x 13.0 mm sensor size. |
| Multipod Monpod | Sony | VCT MP1 | "Phenopole" in the JoVE article |
| Computer | Any PC/Mac/Linux | -- | Data and image analysis |
| ImageJ/FIJI (FIJI is just Image J) | NIH | http://fiji.sc | Plug-in and algorithms for data and image analysis |
| Circle/Metal Ring | Generic | Generic | Metal ring for in-field validation |
| Crab Pliers Clip | Newer | 90087340 | Circle support and extension arm |
References
- Food and Agriculture Organization (FAO). Food outlook: Biannual report on global food markets. , Food and Agriculture Organization of the United Nations. (2017).
- Araus, J. L., Kefauver, S. C. Breeding to adapt agriculture to climate change: affordable phenotyping solutions. Current Opinion in Plant Biology. , (2018).
- Ranieri, R. Geography of the Durum Wheat Crop. Pastaria International. 6, (2015).
- Food Agriculture Organization (FAO). The State of Food Insecurity in the World. , Food and Agriculture Organization of the United Nations. (2014).
- Araus, J. L., Cairns, J. E. Field high-throughput phenotyping: the new crop breeding frontier. Trends in Plant Science. 19 (1), 52-61 (2014).
- Fiorani, F., Schurr, U. Future Scenarios for Plant Phenotyping. Annual Review of Plant Biology. 64 (1), 267-291 (2013).
- Cabrera-Bosquet, L., Crossa, J., von Zitzewitz, J., Serret, M. D., Luis Araus, J. High-throughput Phenotyping and Genomic Selection: The Frontiers of Crop Breeding ConvergeF. Journal of Integrative Plant Biology. 54 (5), 312-320 (2012).
- Araus, J. L., Ferrio, J. P., Voltas, J., Aguilera, M., Buxó, R. Agronomic conditions and crop evolution in ancient Near East agriculture. Nature Communications. 5 (1), 3953 (2014).
- Furbank, R. T., Tester, M. Phenomics – technologies to relieve the phenotyping bottleneck. Trends in Plant Science. 16 (12), 635-644 (2011).
- Araus, J. L., Kefauver, S. C., Zaman-Allah, M., Olsen, M. S., Cairns, J. E. Translating High-Throughput Phenotyping into Genetic Gain. Trends in Plant Science. 23 (5), P451-P466 (2018).
- Duan, T., et al. Dynamic quantification of canopy structure to characterize early plant vigour in wheat genotypes. Journal of Experimental Botany. 67 (15), 4523-4534 (2016).
- Cointault, F., Guerin, D., Guillemin, J., Chopinet, B. In-field Triticum aestivum ear counting using colour-texture image analysis. New Zealand Journal of Crop and Horticultural Science. 36 (2), 117-130 (2008).
- Dornbusch, T., et al. Digital Field Phenotyping by LemnaTec. , (2015).
- Fernandez-Gallego, J. A., Kefauver, S. C., Gutiérrez, N. A., Nieto-Taladriz, M. T., Araus, J. L. Wheat ear counting in-field conditions: high throughput and low-cost approach using RGB images. Plant Methods. 14 (1), 22 (2018).
- Schneider, C. A., Rasband, W. S., Eliceiri, K. W. NIH Image to ImageJ: 25 years of image analysis. Nature Methods. 9 (7), 671-675 (2012).
- Zadoks, J., Chang, T., Konzak, C. A decimal growth code for the growth stages of cereals. Weed Research. 14 (14), 415-421 (1974).
- Casadesús, J., et al. Using vegetation indices derived from conventional digital cameras as selection criteria for wheat breeding in water-limited environments. Annals of Applied Biology. 150 (2), 227-236 (2007).
- Hunt, E. R., et al. A visible band index for remote sensing leaf chlorophyll content at the canopy scale. International Journal of Applied Earth Observation and Geoinformation. 21 (1), 103-112 (2013).
- Zaman-Allah, M., et al. Unmanned aerial platform-based multi-spectral imaging for field phenotyping of maize. Plant Methods. 11 (1), 35 (2015).
- Slafer, G. A., Savin, R., Sadras, V. O. Coarse and fine regulation of wheat yield components in response to genotype and environment. Field Crops Research. 157, 71-83 (2014).
- Liu, T., et al. In-field wheatear counting based on image processing technology. Nongye Jixie Xuebao/Transactions of the Chinese Society for Agricultural Machinery. 45 (2), 282-290 (2014).
- Cointault, F., et al. Color and Frequential Proxy-Detection Image Processing for Crop Characterization in a Context of Precision Agriculture. Agricultural Science. , 49-70 (2012).
- Abbad, H., El Jaafari, S., Bort, J., Araus, J. L. Comparative relationship of the flag leaf and the ear photosynthesis with the biomass and grain yield of durum wheat under a range of water conditions and different genotypes. Agronomie. 24, 19-28 (2004).
- Ko, S. J., Lee, Y. H. Center weighted median filters and their applications to image enhancement. IEEE Transactions on Circuits and Systems. 38 (9), 984-993 (1991).
- Smołka, B. Nonlinear techniques of noise reduction in digital color images. Wydawnictwo Politechniki Śląskiej. , (2004).
